基因表达与调控数据

基因表达与调控数据

# 表达矩阵示意：行=基因，列=样本
matrix = {
    'geneA': [120, 45, 0, 8],
    'geneB': [5, 6, 300, 250],
    'geneC': [80, 90, 12, 10],
}
samples = ['ctrl1', 'ctrl2', 'treat1', 'treat2']

def normalize(matrix):
    totals = [sum(matrix[g][i] for g in matrix) for i in range(len(samples))]
    return {g: [round(c / totals[i] * 1e6, 2) for i, c in enumerate(vals)]
            for g, vals in matrix.items()}

print(normalize(matrix))
​

掌握表达与调控数据的组织方式后，读者就能理解差异表达、富集分析、调控网络重建等方法的输入与输出。真实数据中样本数量动辄几十上百，表达矩阵规模可达数万行，因此数据清洗、归一化、批次校正等前置步骤往往决定分析成败。建议读者用公共数据完成一次从原始计数到差异基因列表的完整小流程。

表达矩阵与调控元件

基因表达数据回答"哪个基因在什么条件下表达多少"。最常见的载体是表达矩阵：行对应基因，列对应样本，单元格是表达量读数。微阵列时代的表达量来自荧光强度，而高通量测序时代的表达量来自比对到基因上的 read 计数。RNA-seq 数据处理链条包括：质控、比对或定量、表达量归一化、差异分析，其中转录本定量工具直接给出基因或转录本级别的计数。

调控信息则分散在多种数据中：转录因子结合位点记录于 ChIP-seq 峰数据；启动子、增强子、开放染色质区域记录于 ATAC-seq 峰与注释文件；甲基化水平记录于甲基化芯片或全基因组甲基化测序。表达与调控数据的共同特征是"矩阵加注释"的组织方式：一张计数矩阵配合一张样本元数据表、一张基因注释表，三者通过标识符关联。理解这种组织方式对后续任何下游分析都至关重要。

# 表达矩阵示意：行=基因，列=样本
matrix = {
    'geneA': [120, 45, 0, 8],
    'geneB': [5, 6, 300, 250],
    'geneC': [80, 90, 12, 10],
}
samples = ['ctrl1', 'ctrl2', 'treat1', 'treat2']

print(normalize(matrix))
​

表达数据的"技术谱"：芯片、RNA-seq 与单细胞

基因表达数据的技术演进决定了数据的"形态"：基因芯片（microarray——基于杂交的探针技术，测定数千基因的相对表达——"通量中等、动态范围有限"）；RNA-seq（RNA 测序——转录本定量（FPKM/TPM——考虑测序深度与转录本长度的标准化）、新转录本发现（可变剪接）、以及等位基因特异性表达——"当前表达组学的标准"）；以及单细胞 RNA-seq（scRNA-seq——2013 年方法（Drop-seq/10x Genomics）——每个细胞的转录组——"单细胞分辨率的表达图谱"——细胞类型鉴定、发育轨迹推断（拟时序分析）、细胞异质性研究——"表达组学的单细胞革命"）。表达数据的"分析框架"：质控与标准化（去除批次效应）→ 差异表达分析（找"在条件间显著变化的基因"——DESeq2/edgeR）→ 富集分析（差异基因的通路富集——GO/KEGG——"哪些生物学过程被激活/抑制"）→ 聚类与可视化（热图、PCA、UMAP——"表达谱的降维与聚类"）。

"基因表达调控"的数据维度同样重要：表观遗传数据（DNA 甲基化（CpG 位点）、组蛋白修饰（ChIP-seq——转录因子结合位点、组蛋白标记）、染色质可及性（ATAC-seq——开放染色质区域））——"表达 = 基因 × 调控环境"；以及调控网络推断（转录因子-靶基因网络、表达 QTL（eQTL——变异如何影响表达））。做一个"表达数据"练习：理解"TPM vs 差异倍数 vs 显著性"的表达分析三件套（表达量（多少）、变化（多大）、显著性（多可靠））；理解"批次效应为什么是表达分析的噩梦"（不同批次的系统性偏差会"伪装"成真实的生物学差异——校正（ComBat、Harmony）是标准步骤）。表达数据是连接"基因型"与"表型"的关键层——从表达差异到调控机制到表型变化，表达组学是生物信息学"最活跃"的数据类型之一。
回顾本节核心：表达数据的获取（芯片→RNA-seq→单细胞）与"表达 = 基因 × 调控环境"；差异表达（找变化）→ 富集（找机制）。表达数据连接"基因型"与"表型"——从转录组到表观组，表达分析是生物信息学最活跃的领域。
记住一句话：表达数据连接基因型与表型——"表达 = 基因 × 调控环境"，差异表达找变化、富集分析找机制。
从实践角度理解表达数据：做一个「差异表达」练习——下载一份公开的 RNA-seq 数据（GEO 数据库），跑一遍标准流程（比对→定量→DESeq2 差异→热图）——亲手完成一次表达分析，比读十遍教科书更理解「标准化、批次效应、FDR」这些概念的实际含义。
补充一点：表达数据的「批次效应」是真实世界的常态（不同实验批次、不同测序平台）——「没有校正批次效应的差异分析结果是不可信的」——ComBat、Harmony 等校正工具是标准流水线的必备环节。